Waarom is dit belangrijk?
Lastige opdrachten leveren met few-shot prompting consequentere antwoorden op die beter bij de concrete taak passen. In de zorg zetten teams het in bij het schrijven van medische verslagen en bij de ondersteuning van diagnoses. Studenten en werknemers krijgen zo meer voorspelbare hulp, maar het klaarzetten van voorbeelden kost tijd en het model kan te sterk op die voorbeelden leunen.
Zo werkt het in de praktijk
Google gebruikt few-shot prompting bij chain-of-thought, redeneren in tussenstappen. Het model ziet eerst rekenvoorbeelden en lost daarna een nieuwe som op. De National Research Council of Canada, een publiek onderzoeksinstituut, zet die aanpak in de agent Pubbie in voor prestatiemeting en rapportages.
Onderzoek naar in-context learning laat zien dat een model de voorbeelden alleen tijdens die opdracht gebruikt. Die aanpassing blijft niet in het model staan. Studies beschrijven dat dit effect sterker wordt naarmate het model groter is.
Prompt engineering is een beroepspraktijk waarin mensen instructies voor een generatief model ontwerpen. Few-shot prompting is daar een vaste techniek in. Bij chain-of-thought, zoals Google die eerst beschreef, tonen de voorbeelden de tussenstappen en het eindantwoord.




